CN112014823A - 基于目标幅度综合估计的自适应融合检测方法 - Google Patents
基于目标幅度综合估计的自适应融合检测方法 Download PDFInfo
- Publication number
- CN112014823A CN112014823A CN202010911721.3A CN202010911721A CN112014823A CN 112014823 A CN112014823 A CN 112014823A CN 202010911721 A CN202010911721 A CN 202010911721A CN 112014823 A CN112014823 A CN 112014823A
- Authority
- CN
- China
- Prior art keywords
- clutter
- covariance matrix
- matrix structure
- estimation
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于目标幅度综合估计的自适应融合检测方法,属于雷达信号处理领域。针对实际异质杂波环境下杂波协方差矩阵结构非均匀特点,构建易于数学处理的合理先验分布,将杂波先验信息与辅助数据中所含异质杂波信息进行算术平均融合,构建简洁有效的协方差矩阵结构估计方法,通过融合杂波协方差矩阵结构先验分布信息与所有辅助数据中的杂波信息,获得点目标未知复幅度的近似最大似然综合估计,构建异质杂波下基于目标幅度综合估计的自适应融合检测器,在算法运算量与检测性能间保持了优化平衡,改善了传统窄带雷达在异质杂波下的目标检测性能,提升了复杂电磁环境下窄带雷达对弱小目标的探测能力,具有推广应用价值。
Description
技术领域
本发明隶属于雷达信号处理领域,具体涉及一种基于目标幅度综合估计的自适应融合检测方法。
背景技术
窄带雷达点目标自适应检测面临目标自然环境复杂多变、电磁干扰等多种因素的影响,杂波统计特性不再满足独立同分布的均匀环境假设条件,导致现有点目标检测方法难以取得理想的检测效果。现有杂波模型主要包括均匀环境、部分均匀环境、非高斯杂波环境、异质杂波环境等。其中,部分均匀环境中,假设待检测距离单元数据(也称主数据)与只含纯杂波的参考距离单元数据(也称辅助数据)中的杂波分量具有相同的协方差矩阵结构但功率水平不同;而以复合高斯分布建模的非高斯杂波环境中,假设主数据和辅助数据中的杂波分量具有相同的协方差矩阵结构但不同距离单元间杂波功率水平不同。前述两种杂波模型中,均假定杂波分量具有相同的协方差矩阵结构,但在实际雷达探测面临的复杂海杂波、地物杂波等环境下,由于各种干扰因素的存在,不同距离单元间杂波协方差矩阵结构的均匀性会被进一步破坏,前述均匀、部分均匀和非高斯杂波模型中杂波分量具有相同协方差矩阵结构的假设条件将无法满足。此时需采用异质杂波模型进行环境建模,异质杂波环境下不同距离单元间杂波协方差矩阵结构相似但不相同,需通过合理的先验分布将辅助数据和主数据中的杂波协方差矩阵结构联系起来。
针对实际异质杂波环境中不同距离单元间杂波协方差矩阵结构非均匀特点,如何利用合理先验分布,基于辅助数据中所含异质杂波信息来合理估计主数据中杂波统计信息,在兼顾主数据杂波协方差矩阵结构估计准确性的同时,建立高精度的点目标幅度估计方法,进而构建具有闭合形式的检测统计量,在增强检测器恒虚警率(CFAR)特性的前提下控制算法运算量,进一步提高传统窄带雷达对异质杂波环境的适应能力,改善目标检测性能,是提升复杂电磁环境下雷达探测能力的关键,也是目前急需解决的难题之一。
发明内容
针对实际异质杂波环境中不同距离单元间杂波协方差矩阵结构非均匀特点,如何构建易于数学处理的合理先验分布,将杂波先验信息与辅助数据中所含异质杂波信息进行合理融合,构建简洁有效的协方差矩阵结构估计方法,在兼顾主数据杂波协方差矩阵结构估计的准确性和算法运算量的同时为点目标检测器CFAR设计提供扎实基础,进而设计高精度的点目标幅度估计方法,提高目标未知复幅度的估计精度,构建具有闭合形式的点目标知识辅助自适应融合检测器,在算法运算量与检测性能间保持优化平衡,改善算法实用性,提高传统窄带雷达对异质杂波环境的适应能力,改善异质杂波下的目标检测性能,提升复杂电磁环境下窄带雷达对弱小目标的探测能力。
本发明所述基于目标幅度综合估计的自适应融合检测方法包括以下技术措施:
步骤1针对单个待检测距离单元的主数据,从与待检测距离单元临近的K个纯杂波距离单元获取K个辅助数据,利用逆Wishart分布对杂波协方差矩阵结构M进行先验分布建模,进而基于K个辅助数据分别构建M的K个后验概率密度函数,将K个后验概率密度函数进行算术平均,构建异质杂波协方差矩阵结构概率密度函数的算术平均估计方法,获得异质杂波协方差矩阵结构概率密度函数的算术平均估计具体步骤包括:
由单个待检测距离单元回波复幅值构成主数据x,以待检测距离单元为中心,在其前后分别连续取一定数量的不包含目标的距离单元回波复幅值,构成K个只含纯杂波的辅助数据yk(k=1,2,...K),其中,x和yk均为N×1维的复向量,N表示雷达接收阵元数与相干处理脉冲数的乘积;
主数据和辅助数据中的杂波分量服从条件复高斯分布,但其杂波协方差矩阵结构M为随机矩阵,且服从自由度为L、均值为LR0的逆Wishart分布,其中,M和R0均为N×N维的Hermitian复数矩阵,M的先验分布概率密度函数(PDF)可表示为
其中,exp[·]表示指数函数,函数tr(·)和det(·)分别表示对矩阵求迹和求行列式,函数I[L,(LR0)-1]定义为:
上式中,Γ(·)表示Gamma函数。
令N×N维的复数矩阵Rk(k=1,2,...K)表示为
其中,上标“H”表示共轭转置。
给定第k个辅助数据yk时矩阵M的条件PDF(即以辅助数据yk为条件的M的后验PDF)可以表示为:
其中,f(yk|M)表示已知M时辅助数据yk的条件复高斯分布PDF,f(yk)表示yk的PDF,可由下式计算
结合杂波先验分布信息和K个辅助数据yk(k=1,2,...K)进行杂波协方差矩阵结构估计,直观而简洁的方式是进行算术平均,基于K个条件PDF f(M|yk)(k=1,2,...K),采用算术平均方法估计出矩阵M的PDF为:
上式为M的PDF算术平均估计表达式,可见其具有闭型形式且运算简洁,为后续设计闭合形式的点目标知识辅助自适应融合检测统计量奠定了基础。
步骤2基于异质杂波协方差矩阵结构概率密度函数的算术平均估计在有目标和无目标两种假设下求解主数据x的概率密度函数,根据修正广义似然比检验准则,融合杂波协方差矩阵结构先验分布信息与所有辅助数据中的杂波信息,以杂波协方差矩阵结构先验分布均值和所有K个辅助数据构成的修正采样协方差矩阵为基础,求解点目标未知复幅度的近似最大似然综合估计,针对异质杂波环境,构建基于目标幅度综合估计的自适应融合检测统计量;具体步骤包括:
其中,上述两式中,fx(x|M,H0)和fx(x|M,H1)分别表示H0和H1两种假设下主数据x在M已知时的复高斯分布条件PDF;复标量a表示点目标未知复幅度;p表示已知的空时导向矢量,是一个N×1维的单位向量,根据雷达系统工作参数确定;
根据广义似然比检验准则,点目标检测统计量可初步表示为
从式(9)可知,由于存在迭代求和运算,难以获得未知复幅度a的最大似然估计,因此需对广义似然比检验准则进行修正,求解a的次优估计表达式;注意到式(9)右端分子第k个求和项中只有第k个辅助数据yk对应的矩阵Rk与a有关,若需提高a的估计精度,应同时考虑所有辅助数据对应的矩阵Rk(k=1,2,...K)的影响,融合杂波协方差矩阵结构先验分布信息与所有辅助数据中的杂波信息,以杂波协方差矩阵结构先验分布均值和所有K个辅助数据构成的修正采样协方差矩阵为基础,即以所有K个矩阵Rk(k=1,2,…K)之和为基础,可得a的近似最大似然综合估计(CE)为:
其中,N×N维的复矩阵D表示修正采样协方差矩阵,具体为:
步骤3为保持检测方法的CFAR特性,根据预设的虚警概率设置检测门限T;将主数据x对应的检测统计量λ与检测门限T进行比较,若λ≥T,则判定当前待检测距离单元存在点目标,主数据x不作为后续其他待检测距离单元的辅助数据;反之若λ<T,则判定当前待检测距离单元不存在点目标,主数据x作为后续其他待检测距离单元的辅助数据。
与背景技术相比,本发明的有益效果是:1)针对实际异质杂波环境中不同距离单元间杂波协方差矩阵结构非均匀特点,构建了易于数学处理的杂波协方差矩阵结构合理先验分布;2)将杂波先验信息与辅助数据中所含异质杂波信息进行合理的算术平均融合,构建了简洁有效的协方差矩阵结构估计方法,在满足估计准确性的条件下降低了估计算法的计算复杂度,为点目标检测器CFAR设计奠定扎实基础;3)通过融合杂波协方差矩阵结构先验分布信息与所有辅助数据中的杂波信息,获得了点目标未知复幅度的近似最大似然综合估计,通过设计简单易行的点目标幅度简化最大似然估计方法,提高了目标未知复幅度的估计精度;4)构建了异质杂波下基于目标幅度综合估计的自适应融合检测器,具有闭合形式的表达式,且在算法运算量与检测性能间保持了优化平衡,改善了算法实用性,在保持CFAR特性的同时改善了异质杂波下的目标检测性能,进一步提高了传统窄带雷达对异质杂波环境的适应能力,提升了复杂电磁环境下雷达对弱小目标的探测能力。
附图说明
图1是本发明所提出的基于目标幅度综合估计的自适应融合检测方法的功能模块图。图1中,1.中间矩阵计算模块,2.杂波协方差矩阵结构概率密度函数的算术平均估计模块,3.基于目标幅度综合估计的自适应融合检测器构建模块,4.检测判决模块。
具体实施方式
下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
为验证本发明所述方法的有效性,本具体实施方式给出了二个实施例,第一个实施例针对对地探测环境,第二个实施例针对对海探测环境。
实施例1:
参照说明书附图1,实施例1的具体实施方式分为以下几个步骤:
步骤A1利用对地探测窄带雷达,对待检测地域周围的无目标范围进行雷达照射,获得与待检测距离单元邻近的不包含目标的距离单元回波复幅值,构成K个只含纯地杂波的辅助数据yk(k=1,2,…K),将辅助数据送至中间矩阵计算模块(1);在中间矩阵计算模块(1)中,依据式(3)计算矩阵Rk(k=1,2,…K),依据式(11)计算矩阵D,并将矩阵Rk(k=1,2,…K)送至杂波协方差矩阵结构概率密度函数的算术平均估计模块(2),将矩阵D送至基于目标幅度综合估计的自适应融合检测器构建模块(3);在杂波协方差矩阵结构概率密度函数的算术平均估计模块(2)中,依据式(6)计算杂波协方差矩阵结构M概率密度函数的算术平均估计并将送至基于目标幅度综合估计的自适应融合检测器构建模块(3);
值得注意的是,步骤A1中,利用逆Wishart分布对地杂波协方差矩阵结构进行先验分布建模,充分考虑了实际建筑物、林地、草地等不同地杂波环境导致的异质杂波情况,针对异质杂波下不同距离单元间杂波协方差矩阵结构非均匀特点,构建的地杂波协方差矩阵结构先验分布易于数学处理;另外,通过将杂波先验信息与辅助数据中所含异质杂波信息进行简洁有效的算术平均融合,所获得的协方差矩阵结构估计表达式具有闭型形式,兼顾了地杂波协方差矩阵结构估计准确性和算法运算量,便于后续数学处理,为对地探测雷达点目标检测器CFAR设计奠定扎实基础。
步骤A2在基于目标幅度综合估计的自适应融合检测器构建模块(3)中,依据式(12)计算基于目标幅度综合估计的自适应融合检测的检测统计量λ,并将λ送至检测判决模块(4);
值得注意的是,步骤A2中,考虑到未知复幅度a在求和运算中难以解耦获得最大似然估计的问题,对广义似然比检验准则进行修正,充分考虑所有辅助数据对应的矩阵Rk(k=1,2,…K)对估计a的潜在影响,通过综合所有辅助数据信息设计了a的近似最大似然综合估计表达式,提高了目标未知复幅度的估计精度;进而构建了复杂地面环境异质杂波下基于目标幅度综合估计的自适应融合检测器,在算法运算量与检测性能间保持了优化平衡,改善了算法实用性,在保持CFAR特性的同时降低了检测算法运算量,进一步提高了传统窄带对地雷达在异质地杂波环境下的适应能力,改善了复杂地面环境异质杂波下的点目标检测性能,提升了复杂电磁环境下雷达对弱小地面目标的探测能力。
步骤A3根据预设的虚警概率设置检测门限T:具体为,设定虚警概率为Pfa,根据蒙特卡洛方法,依据前期积累的100/Pfa个实测地杂波数据计算检测阈值T。进一步,检测统计量λ与检测门限T进行比较,若λ≥T,则判定当前待检测距离单元存在点目标,主数据x不作为后续其他待检测距离单元的辅助数据;反之若λ<T,则判定当前待检测距离单元不存在点目标,主数据x作为后续其他待检测距离单元的辅助数据。
实施例2:
参照说明书附图1,实施例2的具体实施方式分为以下几个步骤:
步骤B1利用对海探测窄带雷达,对待检测海域周围的无目标范围进行雷达照射,获得与待检测距离单元邻近的不包含目标的距离单元回波复幅值,构成K个只含纯海杂波的辅助数据yk(k=1,2,…K),将辅助数据送至中间矩阵计算模块(1);在中间矩阵计算模块(1)中,依据式(3)计算矩阵Rk(k=1,2,…K),依据式(11)计算矩阵D,并将矩阵Rk(k=1,2,…K)送至杂波协方差矩阵结构概率密度函数的算术平均估计模块(2),将矩阵D送至基于目标幅度综合估计的自适应融合检测器构建模块(3);在杂波协方差矩阵结构概率密度函数的算术平均估计模块(2)中,依据式(6)计算杂波协方差矩阵结构M概率密度函数的算术平均估计并将送至基于目标幅度综合估计的自适应融合检测器构建模块(3);
值得注意的是,步骤B1中,利用逆Wishart分布对海杂波协方差矩阵结构进行先验分布建模,充分考虑了不同海况海洋环境中杂波尖峰等导致的异质杂波情况,针对海洋环境异质杂波下不同距离单元间杂波协方差矩阵结构非均匀特点,构建的海杂波协方差矩阵结构先验分布易于数学处理;另外,通过将杂波先验信息与辅助数据中所含异质杂波信息进行简洁有效的算术平均融合,所获得的协方差矩阵结构估计表达式具有闭型形式,兼顾了海杂波协方差矩阵结构估计准确性和算法运算量,便于后续数学处理,为对海雷达点目标检测器CFAR设计奠定扎实基础。
步骤B2在基于目标幅度综合估计的自适应融合检测器构建模块(3)中,依据式(11)计算基于目标幅度综合估计的自适应融合检测的检测统计量λ,并将λ送至检测判决模块(4);
值得注意的是,步骤A2中,考虑到未知复幅度a在求和运算中难以解耦获得最大似然估计的问题,对广义似然比检验准则进行修正,充分考虑所有辅助数据对应的矩阵Rk(k=1,2,…K)对估计a的潜在影响,通过综合所有辅助数据信息设计了a的近似最大似然综合估计表达式,提高了目标未知复幅度的估计精度;进而构建了海洋环境异质杂波下基于目标幅度综合估计的自适应融合检测器,在算法运算量与检测性能间保持了优化平衡,改善了算法实用性,在保持CFAR特性的同时降低了检测算法运算量,进一步提高了传统窄带对海雷达在异质地杂波环境下的适应能力,改善了复杂海洋环境异质杂波下的点目标检测性能,提升了复杂电磁环境下雷达对弱小海面目标的探测能力。
步骤B3根据预设的虚警概率设置检测门限T:具体为,设定虚警概率为Pfa,根据蒙特卡洛方法,依据前期积累的100/Pfa个实测数据计算检测阈值T;考虑到海杂波获取难度大,若实际获得的纯海杂波实测数据量Z少于100/Pfa,则缺少的100/Pfa-Z个杂波数据可利用海杂波仿真模型进行仿真获得,其中的模型参数根据已获得的纯海杂波实测数据进行合理估计设定。进一步将检测统计量λ与检测门限T进行比较,若λ≥T,则判定当前待检测距离单元存在点目标,主数据x不作为后续其他待检测距离单元的辅助数据;反之若λ<T,则判定当前待检测距离单元不存在点目标,主数据x作为后续其他待检测距离单元的辅助数据。
Claims (3)
1.基于目标幅度综合估计的自适应融合检测方法,其特征在于,包括以下步骤:
步骤1针对单个待检测距离单元的主数据x和K个辅助数据,利用逆Wishart分布对其中的杂波协方差矩阵结构进行先验分布建模,进而基于K个辅助数据分别构建杂波协方差矩阵结构的K个后验概率密度函数,将杂波协方差矩阵结构的K个后验概率密度函数进行算术平均,构建异质杂波协方差矩阵结构概率密度函数的算术平均估计方法,获得异质杂波协方差矩阵结构概率密度函数的算术平均估计;
步骤2基于异质杂波协方差矩阵结构概率密度函数的算术平均估计,在有目标和无目标两种假设下求解主数据x的概率密度函数,根据修正广义似然比检验准则,融合杂波协方差矩阵结构先验分布信息与所有辅助数据中的杂波信息,以杂波协方差矩阵结构先验分布均值和所有K个辅助数据构成的修正采样协方差矩阵为基础,求解点目标未知复幅度的近似最大似然综合估计,针对异质杂波环境,构建基于目标幅度综合估计的自适应融合检测的检测统计量;
步骤3根据预设的虚警概率设置检测门限T;将主数据x对应的检测统计量λ与T进行比较,若λ≥T,则判定当前待检测距离单元存在点目标,x不作为后续其他待检测距离单元的辅助数据;反之若λ<T,则判定当前待检测距离单元不存在点目标,x作为后续其他待检测距离单元的辅助数据。
2.根据权利要求1所述的基于目标幅度综合估计的自适应融合检测方法,其特征在于,在所述步骤1中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911721.3A CN112014823B (zh) | 2020-09-02 | 2020-09-02 | 基于目标幅度综合估计的自适应融合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911721.3A CN112014823B (zh) | 2020-09-02 | 2020-09-02 | 基于目标幅度综合估计的自适应融合检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112014823A true CN112014823A (zh) | 2020-12-01 |
CN112014823B CN112014823B (zh) | 2022-04-01 |
Family
ID=73516738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010911721.3A Active CN112014823B (zh) | 2020-09-02 | 2020-09-02 | 基于目标幅度综合估计的自适应融合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112014823B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0749083A1 (fr) * | 1995-06-13 | 1996-12-18 | Thomson Csf | Procédé et dispositif de détermination du spectre de fréquence d'un signal |
JP2012220492A (ja) * | 2011-04-04 | 2012-11-12 | Mitsubishi Electric Research Laboratories Inc | レーダー信号の時空間適応処理を用いて不均一な環境においてターゲットを検出する方法、および時空間適応処理を用いて不均一な環境のレーダー信号内のターゲットを検出する方法およびシステム |
CN106872958A (zh) * | 2017-04-27 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于线性融合的雷达目标自适应检测方法 |
CN106932766A (zh) * | 2017-04-27 | 2017-07-07 | 中国人民解放军海军航空工程学院 | 基于变参数广义结构的距离扩展目标自适应检测方法 |
KR101768587B1 (ko) * | 2016-05-13 | 2017-08-17 | 국방과학연구소 | 비정상 클러터 및 이종 클러터 억제를 위한 공분산 행렬 추정방법 |
US20180052224A1 (en) * | 2014-12-15 | 2018-02-22 | Airbus Singapore Private Limited | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
CN108845313A (zh) * | 2018-05-02 | 2018-11-20 | 中国民航大学 | 有限训练样本下基于子空间正交投影的动目标检测方法 |
CN108919224A (zh) * | 2018-07-26 | 2018-11-30 | 中国人民解放军海军航空大学 | 基于斜对称结构的宽带雷达目标自适应融合检测方法 |
-
2020
- 2020-09-02 CN CN202010911721.3A patent/CN112014823B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0749083A1 (fr) * | 1995-06-13 | 1996-12-18 | Thomson Csf | Procédé et dispositif de détermination du spectre de fréquence d'un signal |
JP2012220492A (ja) * | 2011-04-04 | 2012-11-12 | Mitsubishi Electric Research Laboratories Inc | レーダー信号の時空間適応処理を用いて不均一な環境においてターゲットを検出する方法、および時空間適応処理を用いて不均一な環境のレーダー信号内のターゲットを検出する方法およびシステム |
US20180052224A1 (en) * | 2014-12-15 | 2018-02-22 | Airbus Singapore Private Limited | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
KR101768587B1 (ko) * | 2016-05-13 | 2017-08-17 | 국방과학연구소 | 비정상 클러터 및 이종 클러터 억제를 위한 공분산 행렬 추정방법 |
CN106872958A (zh) * | 2017-04-27 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于线性融合的雷达目标自适应检测方法 |
CN106932766A (zh) * | 2017-04-27 | 2017-07-07 | 中国人民解放军海军航空工程学院 | 基于变参数广义结构的距离扩展目标自适应检测方法 |
CN108845313A (zh) * | 2018-05-02 | 2018-11-20 | 中国民航大学 | 有限训练样本下基于子空间正交投影的动目标检测方法 |
CN108919224A (zh) * | 2018-07-26 | 2018-11-30 | 中国人民解放军海军航空大学 | 基于斜对称结构的宽带雷达目标自适应融合检测方法 |
Non-Patent Citations (5)
Title |
---|
TAO JIAN, YOU HE, GUISHENG LIAO, JIAN GUAN, YUNLONG DONG: "《Adaptive persymmetric detector of generalised likelihood ratio test in homogeneous environment》", 《IET SIGNAL PROCESSING》 * |
TOM ARIDGIDES, MANUEL F. FERNANDEZ, GERALD J. DOBECK: "《Adaptive clutter suppression, sea mine detection/classification, and fusion processing string for sonar imagery》", 《DETECTION AND REMEDIATION TECHNOLOGIES FOR MINES AND MINELIKE TARGETS IV 》 * |
时艳玲: "《空间非均匀海杂波的协方差矩阵估计新算法》", 《系统工程与电子技术》 * |
曲付勇; 孟祥伟: "《基于排序数据变率的最大似然恒虚警检测方法》", 《探测与控制学报》 * |
简涛; 黄晓冬; 王捷; 何友: "《基于修正最大似然估计的距离扩展目标检测器》", 《武汉大学学报(信息科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112014823B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999717B (zh) | 基于协方差矩阵结构统计估计的自适应融合检测方法 | |
CN111999716B (zh) | 基于杂波先验信息的目标自适应融合检测方法 | |
CN111999714B (zh) | 基于多散射点估计和杂波知识辅助的自适应融合检测方法 | |
Amiri et al. | Exact solution for elliptic localization in distributed MIMO radar systems | |
Zhou et al. | Tracking the direction-of-arrival of multiple moving targets by passive arrays: Algorithm | |
Shi et al. | Robust MIMO radar target localization based on Lagrange programming neural network | |
CN105740203B (zh) | 多传感器无源协同测向定位方法 | |
CN103729637B (zh) | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 | |
Yang et al. | Fast optimal antenna placement for distributed MIMO radar with surveillance performance | |
WO2008069364A1 (en) | 4-d inversion of geophysical data and 4-d imaging method of geologic structure using it | |
Alanwar et al. | Distributed set-based observers using diffusion strategies | |
CN113673565B (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
CN108919225B (zh) | 部分均匀环境下距离扩展目标多通道融合检测方法 | |
CN111999715B (zh) | 异质杂波下目标知识辅助自适应融合检测方法 | |
CN112014835A (zh) | 分布式稀疏阵列雷达在栅瓣模糊下的目标跟踪方法和装置 | |
Grigoriu et al. | Are seismic fragility curves fragile? | |
Liu et al. | Multi-sensor multi-target tracking using probability hypothesis density filter | |
CN112014823B (zh) | 基于目标幅度综合估计的自适应融合检测方法 | |
CN111999718B (zh) | 基于几何平均估计的知识辅助自适应融合检测方法 | |
CN108562877A (zh) | 一种基于信号包络特征的欺骗式干扰抑制方法 | |
CN116106829A (zh) | 部分均匀杂波加干扰下目标智能检测方法 | |
Chen et al. | Neural network for WGDOP approximation and mobile location | |
Streit et al. | A linear least squares algorithm for bearings-only target motion analysis | |
Yang et al. | Overcoming Unknown Measurement Noise Powers in Multistatic Target Localization: A Cyclic Minimization and Joint Estimation Algorithm | |
CN115033025B (zh) | 一种基于态势认知结果的航迹保障方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |